世界正在反轉，利用機器取代人力是趨勢。基於上述理由本文提出一套創新護目鏡拍攝系統，在硬體上針對護目鏡曲率來設計拍攝環境，目的為獲得清晰原始影像，在軟體上使用能量分析來偵測瑕疵位置，瑕疵偵測率達到100%，35片護目鏡樣本中，攫取出3032個七類瑕疵 (毛線700個、灰塵770個、劃傷746個、強光點232個、沾汙212個、水波紋172個、邊界200個)，再搭配近來最火紅的深度學習來進行分類，80%當作訓練樣本數，剩下20%當作驗證，實驗結果顯示，5類護目鏡瑕疵分類率達到99.65%；6類護目鏡瑕疵分類率達到99.93%；7類護目鏡瑕疵分類率達到88.93%。若再利用本實驗室高階奇異質分解應用於護目鏡影像，更是可高達93.06%分類率。

The world is turning around, and the use of machines to replace humans is a trend. Based on the above reasons, this research proposes the novel goggles inspection system. The image capturing is designed based on the curvature of the goggle lens, which is to obtain a clear original image. First, we use energy analysis to detect the defects on the glasses with detection rate 100. %. Among the 35 samples of goggles, a total of 3032 defects were taken out of seven classes, including 700 dust_lines, 770 dust_spots, 746 scratches, 232 spotlights, 212 stains, 172 watermarks, and 200 borders. The above samples are classified using deep learning, which 80% of the samples are used for training, and the remaining 20% are used as the validation set.The experimental results show that the classification rate of defects with 5 classes is 99.65%; the classification rate of 6 types of goggles is 99.93%; the classification rate of 7 types of goggles is 88.93%.When the high order singular value decomposition algorithm developed by our laboratory is used for pre-enhancing the image, the classification rate of 7 classes can be increased to 93.06%.

摘要 I
Abstract II
致謝 III
目錄 IV
圖目錄 VI
表目錄 VIII
第1 章 緒論 1
1.1 簡介 1
1.2 研究背景與動機 1
1.3 相關文獻回顧 2
1.4 護目鏡瑕疵檢測系統之問題描述及系統架構 3
1.5 章節概要 6
第2 章 創新護目鏡取像系統 7
2.1 簡介 7
2.2 取像環境架構 7
2.3 光源選取 8
2.4 優化治具 11
2.5 行程規劃 14
2.6 一鍵化程式 16
第3 章 護目鏡瑕疵區塊檢出 18
3.1 簡介 18
3.1.1 色彩空間轉換 20
3.1.2 自適應能量分析 21
3.1.3 影像二值化 22
3.1.4 特徵點篩選 23
3.1.5 範圍交叉投影 24
3.2 瑕疵類別ROI 26
3.3 影像增強 30
第4 章 實驗結果與討論 31
4.1 簡介 31
4.2 實驗設計 32
4.3 實驗討論 33
4.4 系統規格 38
第5 章 結論與未來工作 39
參考文獻 40

[1]W.-C. Wang, S.-L. Chen, L.-B. Chen, and W.-J. Chang, “A machine vision based automatic optical inspection system for measuring drilling quality of printed circuit boards,” IEEE Access, vol. 5, pp. 10817–10833, 2017.
[2]N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Trans. on Man and Cybernetics, vol. SMC-9, no. 1, pp. 62-66, January 1979.
[3]C. Connolly and T. Fleiss, “A study of efficiency and accuracy in the transformation from RGB to CIELAB color space,” IEEE Trans. Image Process., vol. 6, no. 7, pp. 1046–1048, Jul.1997.
[4]K. He, X, Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition.” in Proc. IEEE Conf. Comput. Vis. Pattern Recogn., 2016.
[5]謝忠男，優化護目鏡瑕疵檢測系統之研究，國立高雄科技大學，光電與通訊工程研究所，碩士論文，2018。
[6]吳家華，應用自適應能量分析於自動光學檢測，國立高雄科技大學，光電與通訊工程研究所，碩士論文，2017。
[7]阮輝青，高階奇異值光線補償補償用於人臉識別，國立高雄應用科技大學電子工程系研究所，碩士論文，2017。
[8]黎玉線，自適應奇異值分解之影像增強應用於人臉識別和指紋分類，國立高雄應用科技大學電子工程系研究所，博士論文，2015。
[9]郭丞諴，有效方法應用於零件遺漏偵測及玻璃氣泡檢出，國立高雄應用科技大學，光電與通訊工程研究所，碩士論文，2013。
[10]郭政佑，護目鏡瑕疵分析與分類，國立高雄科技大學，光電與通訊工程研究所，碩士論文，2018。